Laskujen käsittelyn automatisointi OCR:n ja Deep Learningin avulla

Julkaissut Platon

seuraajia: 0

Laskun käsittelyn automatisointi OCR: n ja syvällisen oppimisen avulla

Haluatko automatisoida laskujen käsittelyä? Tutustu Nanonetsin esikoulutukseen Laskun OCR or Rakenna omasi räätälöity laskun tekstintunnistus. Voit myös aikataulun esittely saadaksesi lisätietoja AP-käyttötapauksistamme!

esittely

Pitkään olemme luottaneet paperilaskuihin maksujen käsittelemiseksi ja tilien ylläpitämiseksi. Laskujen yhteensovittaminen tarkoittaa tyypillisesti sitä, että joku viettää manuaalisesti tuntikausia selaamalla useita laskuja ja merkitsemällä asioita kirjanpitoon.

Mutta voidaanko tämä prosessi tehdä paremmin, tehokkaammin, vähemmän paperin, ihmisen työn ja ajan tuhlaamista?

Näiden menettelyjen manuaalisen läpikäynnin monien haittojen joukossa ovat korkeammat kustannukset, suurempi työvoiman tarve, suurempi aika toistuvissa tehtävissä ja suurempi hiilijalanjälki.

Laskun digitalisointiprosessi voidaan jakaa neljään vaiheeseen:

Fyysisen asiakirjan muuntaminen digitaaliseksi muunnelmaksi - tämä voidaan tehdä
- laskujen skannaus
- kuvan napsauttaminen kameran kautta
Tietojen poiminta - tämän voi tehdä
- Ihmiset - tarkastajat tekevät manuaalisesti, joka analysoi laskun virheiden varalta, lukee siinä olevan tekstin ja syöttää sen ohjelmistoon tallennusta ja tulevaa hakua varten.
- Koneet -
  - Optinen merkintunnistus - tunnistaa asiakirjoissa olevan tekstin ja numerot.
  - Tietojen poiminta - kun OCR-prosessi on valmis, on tärkeää tunnistaa, mikä tekstikappale vastaa mitä purettua kenttää. Jos kenttä on summa, välisumma, laskun päivämäärä, myyjä jne.
Data dump - kun tiedot on purettu, ne on tallennettava noudettavassa muodossa kuten
- Tietokanta
- Excel-arkki
- ERP-järjestelmä.

Tämä viesti keskittyy enimmäkseen OCR:ään ja tiedon poimimiseen. Ennen kuin sukeltaamme siihen, mikä OCR:n ja tiedon poiminnan nykyisessä tilassa on vialla laskujen käsittely, katsokaamme ensin, miksi meidän pitäisi ylipäätään välittää laskujen digitalisoinnista.

Nanonets tukee laskun sieppaus, laskujen hallinta & laskun automaatio yli 60 kielellä. Rakenna oma mallisi tai pyydä esittelyä jo tänään!

Miksi digitoida laskuja?

Tietojen digitoinnilla on useita etuja, joita yritys voi saada useista syistä. Yritykset voivat seurata prosessejaan paremmin, tarjota parempaa asiakaspalvelua, parantaa työntekijöidensä tuottavuutta ja vähentää kustannuksia.

Tässä on joitain syitä, miksi sinun kannattaa harkita oman yrityksen laskujen digitointia.

Prosessien automatisointiin
Syvällä oppimisen ja tekstintunnistuksen avulla voit ottaa nämä laskukuvat automaattisesti, poimia niistä taulukoita ja tekstiä, poimia eri kenttien arvot, tehdä virhekorjauksia, tarkistaa, vastaavatko tuotteet hyväksyttävää mainosjakaumaasi, ja lopuksi käsitellä vaatimuksen, jos kaikki onnistuu. Tämä on valtava harppaus siitä, mitä vakuutusala on perinteisesti tehnyt, mutta se voi kuitenkin osoittautua erittäin hyödylliseksi.
Tehokkuuden lisäämiseksi
Digitalisoimalla laskut voidaan tehdä useista prosesseista paljon nopeampia ja sujuvampia. Otetaan esimerkiksi vähittäiskauppaketju, joka käy kauppaa muutamien tavaroiden myyjän kanssa ja käsittelee maksuja jokaisen kuukauden lopussa. Tämä kauppa voi säästää paljon aikaa automatisoimalla prosessin laskujen hallinta. Myyjien on vain ladattava laskut sovellukseen tai verkkosivustolle ja he voivat saada välitöntä palautetta siitä, ovatko kuvat hyväresoluutioisia, jos kuva on koko laskusta, jos kuva on väärennös tai sitä on manipuloitu digitaalisesti jne. aika.
Kustannusten vähentämiseksi
Sama vähittäiskaupan franchising säästää paljon rahaa automatisoimalla laskujen digitalisoinnin OCR:n ja syväoppimisen avulla. Lasku, jonka on läpäistävä kolmen arvioijan käsissä, jotta virheitä ei ole, pienenee yhteen. Tietokoneen käsittelemien laskujen määrä on useita kertoja nopeampi kuin mitä ihminen pystyy tekemään. Aikaan sisältyy tarkistus, onko lasku huijaus, onko siinä kaikki tiedot, onko kaikki tiedot oikein, kaikkien tietojen syöttäminen manuaalisesti taulukkoon tai tietokantaan, laskelmien suorittaminen ja lopuksi maksun käsittely.
Parempaan säilytykseen
Riitatapauksissa myyjä voi päästä sovellukseen ja tarkastella kaikkia lähettämiään laskuja ja jokaisen laskun jälkikäsittelyn tuloksia selittäen hyödykkeet, niiden määrät, kunkin kustannukset, verot ja alennukset. Yritys, joka on automatisoinut näiden tietojen syöttämisen tietokantaan, voi nyt myös hakea nämä tiedot milloin tahansa.
Asiakastyytyväisyyden lisäämiseksi
Vastaavalla tavalla laskujen käsittely voi myös auttaa yrityksiä parantamaan asiakaspalveluaan. Toimituksesi verkkokauppaalustalta puuttuu tuote? Ota yhteyttä heihin, lähetä heille lasku ja kerro, mitä puuttuu, niin yritys lukee sen automaattisesti kuitti, etsi varastosta lähteneet ja lähetä sinulle vastaus, että puuttuva tuotteesi on tulossa!
Ekologisen jalanjäljen vähentämiseksi
Suoritetaan yksinkertaisia laskelmia, kuten tehdyt tätä Ymmärrämme, että keskisuuri organisaatio, joka käsittelee 50000 laskua kuukaudessa, uhraa yli 30 puuta vuodessa. Tämä määrä kasvaa suurimmaksi osaksi laskujen päällekkäisyyden vuoksi. Tämä sama paperimäärän valmistus vaatii myös 2.5 miljoonaa litraa vettä. Tällöin organisaatioiden ekologisen jalanjäljen pienentämiseksi tarvittavien toimenpiteiden toteuttaminen voi viedä paljon ympäristöä.

Laskutusprosessin kehitys

Laskujen tarkistusprosessi on kehittynyt paljon ajan myötä. Teknologian kasvun myötä laskujen käsittely on kulkenut läpi kolme päävaihetta.

Vaihe 1: Manuaalinen tarkistus

Harkitse käyttötapausta, jossa organisaatio on menossa läpi prosessinsa, jolla se korvaa tavallisille myyjilleen kuukauden kulut.

Laskun käsittelyn automatisointi OCR: n ja syvällisen oppimisen avulla

Laskujen käsittelyssä noudatetaan seuraavia vaiheita -

Ihmisten odotetaan lähettävän useita laskuja henkilökohtaisesti asianomaisen organisaation yhteyspisteeseen.
Tämä henkilö välittää kaikki laskut tarkastajalle, joka tarkistaa kaikki asiakirjat kokonaan. Tämä sisältää jokaisen yksityiskohdan kirjoittamisen tai kirjoittamisen ohjelmistoon, kuten ostavan henkilön nimen, ostetun kaupan nimen, ostopäivä ja -ajankohdan, ostetut tuotteet, niiden kustannukset, alennukset ja verot.
Kunkin laskun loppusumma lasketaan uudelleen manuaalisesti tai jos tietojen syöttöohjelmisto on erityisesti suunniteltu kirjanpitotarkoituksiin, mainittua ohjelmistoa käyttämällä.
Lopullinen lasku /kuitti suoritetaan lopullisilla luvuilla ja maksut käsitellään.

Vaihe 2: Laskutus ja manuaalinen tarkistus

OCR-tekniikoiden myötä paljon aikaa säästettiin automaattisesti pura teksti digitaalisesta kuvasta minkä tahansa laskun tai asiakirjan. Täällä ovat tällä hetkellä useimmat organisaatiot, jotka käyttävät OCR: ää missä tahansa automaatiomuodossa.

Laskuista saadaan digitaaliset kopiot laskujen skannaus tai ottaa kuvia kameralla.
- teksti puretaan näistä laskuista OCR: n avulla. Tämä pystyy tarjoamaan digitaalista tekstiä, joka helpottaa tietojen syöttämistä. Mutta paljon työtä on vielä tehtävä manuaalisesti.
Jokaisen laskun OCR-tulokset on jäsenneltävä asianmukaisesti, jotta löydetään asiaankuuluvat tiedot ja hylätään epäolennaiset tiedot.
Kun tämä on tehty, tiedot on syötettävä ohjelmistoon, joka tarjoaa arvioijalle mallin hänen tehtävänsä helpottamiseksi. Tämä malli on ainutlaatuinen jokaiselle käyttötapaukselle, organisaatiolle ja useimmiten jokaiselle eri laskutyypille. Vaikka OCR-prosessi auttaa laskujen käsittelyssä, se ei ratkaise monia ikäviä osia OCR:n jäsentämättömien tulosten vuoksi.
Syötetyt tiedot tarkistetaan manuaalisesti virheiden korjaamiseksi. Tämä prosessi vie jonkin aikaa, koska se käy läpi useita tarkistajia tällä hetkellä käytettävissä olevien OCR-työkalujen heikon suorituskyvyn vuoksi.
Lopuksi laskelmat tehdään ja maksutiedot välitetään rahoitusosastolle.

Kuinka digitoida laskuja paremmin?

OCR: n ja syvällisen oppimisen avulla olemme antaneet koneille mahdollisuuden toimia yhtä hyvin ja joissakin tapauksissa jopa paremmin kuin ihmiset.

Laskujen digitointiin kuuluu useita ihmisen valvottuja vaiheita:

Digitaaliset kuvat käyttäjän ottamista ja lataamista laskuista.
Kuva on vahvistettu soveltuvaksi jatkokäsittelyyn - hyvä resoluutio, kaikki kuvassa näkyvät tiedot, vahvistetut päivämäärät jne.
Kuvat tarkastettiin petosten varalta.
Näiden kuvien teksti purettiin ja laitettiin oikeaan muotoon.
Taulukkoihin, taulukoihin, tietokantoihin, taseisiin jne. Syötetyt tekstitiedot

Vaihe 3: Syvä oppiminen ja OCR

Syvän oppimisen lähestymistavat ovat edenneet tekstin lukemisen ja strukturoidun ja jäsentämättömän tiedon poiminnan kuvista. Yhdistämällä olemassa olevat syvälliset oppimismenetelmät optiseen merkintunnistustekniikkaan yritykset ja yksityishenkilöt ovat pystyneet automatisoimaan prosessin asiakirjojen digitointi ja mahdollistivat helpommat manuaaliset tietojen syöttömenettelyt, paremman kirjaamisen ja tallennuksen, vähemmän virheitä ja paremman vasteajan.

Markkinoilla ja avoimen lähdekoodin yhteisössä on saatavana useita työkaluja tällaisiin tehtäviin, joilla kaikilla on hyvät ja huonot puolet. Jotkut niistä ovat Google Vision -sovellusliittymä, Amazon Rekognition ja Microsoft Cognitive Services. Yleisimmin käytetyt avoimen lähdekoodin työkalut ovat Huomio-OCR ja Tesseract.

Kaikki nämä työkalut puuttuvat samalla tavalla - huono tarkkuus, joka vaatii manuaalisen virheenkorjauksen ja tarpeen noudattaa sääntöpohjaisia moottoreita tekstin poiminta pystyä tosiasiallisesti käyttämään tietoja mielekkäällä tavalla. Puhumme lisää näistä ongelmista ja enemmän seuraavissa osioissa.

Mikä tekee ongelmasta mielenkiintoisen?

- OCR-maisema koostuu enimmäkseen sääntöpohjaisista moottoreista, jotka luottavat suuresti jälkikäsittelyn OCR-tuloksiin sovittamalla malleja tai määrittelemällä erityisiä malleja, joihin OCR-tulosten on pakko sopia. Tämä lähestymistapa on ollut jonkin verran menestystä, mutta vaatii ohjelmistokerroksen, joka on rakennettu OCR-moottorit, mikä on resursseja vievä tehtävä.

Suurempi ongelma tällä sääntöpohjaisella lähestymistavalla on, että tämä lisätty ohjelmistokerros on suunniteltava uudelleen aina, kun käsittelet uutta laskumallia. Mallintamisprosessin automatisointi yhdessä OCR: n kanssa voi luoda valtavan vaikutuksen kaikille laskujen parissa työskenteleville.

Ja se on juuri meidän ongelmamme Nanonetit päättänyt ratkaista.

Vähemmän tunnettu lähestymistapa tähän ongelmaan sisältää koneoppimisen avulla oppiaksesi itse asiakirjan tai laskun rakenteen, jolloin voimme työskennellä datan kanssa, lokalisoida ensin tarvitsemamme kentät ikään kuin ratkaisisimme kohteen havaitsemisongelmaa (ja ei OCR) ja sitten saada teksti pois siitä. Tämä voidaan tehdä mallintamalla hermoverkkosi tavalla, jolla opitaan tunnistamaan ja poimimaan taulukot, ymmärtämään siinä olevat sarakkeet ja kentät, mitkä sarakkeet ja kentät ovat yleisesti laskussa muodosta huolimatta.

Tällaisen lähestymistavan etuna on, että on mahdollista tehdä koneoppimismalli, joka voidaan yleistää mihin tahansa asiakirjaan tai laskuun ja jota voidaan käyttää laatikosta ilman mukautuksia. Jatkuvan oppimissilmukan lisääminen keräämällä uutta tietoa ja kouluttamalla malleja säännöllisesti voi johtaa erinomaiseen suorituskykyyn monenlaisella datalla.

Onko mielessäsi tekstintunnistusongelma? Haluatko digitalisoida laskut, PDF-tiedostot tai rekisterikilvet? Siirry kohtaan Nanonetit ja rakenna OCR-malleja ilmaiseksi!

Miksi nykyiset syvän oppimisen työkalut eivät riitä?

Jopa kaikilla eduilla automaattinen laskujen käsittely OCR- ja syväoppimistekniikoita ei ole teollisuudenaloilla otettu laajasti käyttöön, ja siihen on useita syitä.

Yritetään ymmärtää esimerkillä – sairausvakuutusyhtiö, joka käsittelee reseptejä ja laskuja. Automatisoi korvausten käsittely vakuutusyhtiössäsi antamalla käyttäjien ladata kuvia laskuista ottamalla kuvia puhelimella tai tietokoneella tai laskujen skannaus lisää asiakkaiden mukavuutta ja houkuttelee heitä enemmän. Nämä ladatut kuvat käyvät yleensä läpi useita manuaalisen tarkistuksen kierroksia, joissa tarkistetaan, ovatko laskut oikeutettuja, jos luvut lasketaan yhteen, ovatko laskussa mainitut tuotteet. tulot ovat voimassa vakuutuskorvauksessa jne. Mutta laskujen käsittelyautomaation avulla nämä tehtävät voidaan suorittaa murto-osassa aikaa manuaalisesti, ja vaaditaan vähintään 50% vähemmän työvoimaa.

Mutta tällaisen end-to-end-lähestymistavan rakentamiselle on esteitä, jotka toimivat teollisuuden käyttötapausten mukaisesti, voivat ajaa automaatiota samalla kun varmistetaan, että virheet eivät kuluta suurta osaa budjetista ja lisäävät myös asiakkaiden nousua.

OCR-tekniikan tarkkuus

Tällä hetkellä markkinoiden parhaat OCR-työkalut eivät toimi tyydyttävästi näiden sovellusliittymien soveltamiseksi mittakaavassa missään käyttötapauksessa. tämän perusteella artikkeli, Google Vision, Paras OCR-sovellusliittymä juuri nyt saatavana oleva pystyy tarjoamaan vain 80% tarkkuuden. Muiden markkinoilla olevien tuotteiden, kuten Amazonin tunnistus ja Microsoftin kognitiiviset palvelut ovat surkeaa. Microsoft suoritti 65 prosentin tarkkuudella, kun taas AWS-tunnistus suoritettiin vain 21 prosentin tarkkuudella.

Tätä pahentaa se, että nämä sovellusliittymät eivät salli räätälöityä koulutusta tietyille tiedoille, joita yritys käyttäisi eniten. Sijoittaminen ohjelmistoihin, joiden suorituskyky on huonompi kuin ihmisillä tarkkuuden suhteen, vaatii edelleen manuaalista syöttämistä, manuaalinen virheenkorjaus ja manuaalinen tarkastelu tuntuu ajan ja rahan tuhlaukselta.

Deep Learning -osaaminen

OCR-tuotteet, kuten Google Vision, kohtaavat useita haittoja, kun ne joutuvat käsittelemään tekstiä eri suunnassa, eri kielillä, hämärää tai meluisaa tekstiä. Ne eivät salli sinun käyttää tietojasi ja rakentaa mukautettuja malleja, mikä vaikeuttaa tuotteen suoraa integrointia organisaation työnkulkuun. Usein tämänkaltaisen ongelman kiertämiseksi organisaatioiden on palkattava datatiede- tai koneoppimistiimi ja rakennettava nämä työkalut itselleen. Tämä vaatii aikaa, rahaa ja vaivaa.

Tämän jälkeen datatutkijoiden on sovitettava tietonsa ja asiantuntemuksensa yrityksen tavoitteisiin ja selvitettävä tarkalleen mitkä mittarit optimoidaan näiden tulosten tuottamiseksi. Tämä vaatii datatieteilijän ymmärtämään liikeehdotuksen, muuttamaan sen matemaattiseksi ongelmaksi, ymmärtämään yrityksen palvelutasosopimukset, etsimään oikeat tiedot, rakentamaan koneoppimismalleja, virittämään ne tarvittavan tarkkuuden saamiseksi varmistaen samalla, että myös virhetapaukset hoidetaan sulavasti .

Oikeiden tietojen saaminen

Erittäin tärkeä osa oikean koneoppimismallin rakentamista on oikean datan löytäminen, eikä dataa ole tarpeeksi, jotta voisimme työskennellä. OCR:lle on saatavilla tietojoukkoja esimerkiksi rekisterikilven tai käsinkirjoituksen tunnistamiseen, mutta nämä tietojoukot tuskin riittävät saamaan sellaista tarkkuutta, jota vakuutuskorvauskäsittely tai myyjän takaisinmaksutoimeksianto vaatisi.

Nämä käyttötapaukset vaativat meitä rakentamaan mallimme ja kouluttamaan ne sellaiseen dataan, jota aiomme käsitellä eniten, samalla kun varmistetaan, että virheet minimoidaan ja tietojoukko on tasapainossa. Käsittelemällä sanotaan lääkäreiden tai lääkemääräyksiä tulot Pieniltä toimittajilta vaaditaan, että mallimme toimivat hyvin sekä digitaalisilla että käsinkirjoitetuilla tekstidokumenteilla.

Laskennalliset resurssit

Sisäisen ML-ratkaisun rakentaminen edellyttää muutakin kuin vain parhaiden koneoppimisinsinöörien palkkaamista suunnittelemaan algoritmeja parhaalla mahdollisella tarkkuudella. Kuvadatan mallien rakentamisen laskentavaatimukset ovat korkeat, ja ne sisältävät yleensä GPU: t joko paikan päällä tai pilvessä. K-80-näytönohjaimen käyttäminen Google Cloud Platformissa maksaa noin 230 dollaria kuukaudessa. Nämä kustannukset nousevat, kun joudut kouluttamaan malleja tai kouluttamaan vanhoja malleja uusilla tiedoilla.

Jos valitset sisäisen ratkaisun rakentamisen, sen rakentamisesta aiheutuvat kustannukset on korvattava lisääntyneellä asiakasmäärällä, lisääntyneellä laskujen käsittelymäärällä ja tarvittavien manuaalisten tarkastajien määrän vähenemisellä.

Räätälöi ratkaisut yrityksesi tarpeisiin

Esimerkiksi toimittajan takaisinmaksujärjestelmän rakentaminen vaatii meitä sisällyttämään useita vaiheita. Työnkulun löytäminen organisaation tarpeita varten ei ole sama kuin koneoppimismallin rakentaminen, joka antaa sinulle hyvän tarkkuuden.

Tarvitset malleja, jotka voivat:

Anna vähintään ihmisen tason tarkkuus
Voi käsitellä kaikenlaisia tietoja
Mukautetaan virheiden käsittelyyn
Lisää ihmisten valvonnan mukavuutta
Varmista avoimuus tietojenkäsittelyvaiheissa
Tarkista petokset
Salli jälkikäsittelyn OCR-tulokset laittaa ne rakenteeseen
Varmista, että kaikki vaaditut kentät ovat ja arvot ovat oikein
Salli näiden tietojen helppo tallentaminen ja tietokannan pitäminen
Salli ilmoitusten automaattinen automatisointi tulosten mukaan

Tämä on, kuten olet ehkä arvannut, pitkä ja vaikea menettely, johon usein ei liity niin suoraviivaisia ratkaisuja.

Nanonets tukee laskun sieppaus & laskun automaatio yli 60 kielellä. Rakenna oma mallisi tai pyydä esittelyä jo tänään!

Syötä Nanonets

Kanssa Nanonetit sinun ei tarvitse huolehtia koneoppimisen kykyjen löytämisestä, mallien rakentamisesta, pilvi-infrastruktuurin ymmärtämisestä tai käyttöönotosta. Tarvitset vain liike-elämän ongelman, johon tarvitset ratkaisuja.

Helppokäyttöinen verkkopohjainen käyttöliittymä

Nanonets tarjoaa helppokäyttöisen verkkopohjaisen käyttöliittymän, joka kommunikoi sovellusliittymänsä kanssa ja jonka avulla voit luoda malleja, kouluttaa niitä tietojesi mukaan, saada tärkeitä tietoja, kuten tarkkuus ja tarkkuus ja suorittaa päätelmiä kuvistasi, kirjoittamatta mitään koodia.

Pilvipalvelut mallit

Sen lisäksi, että tarjotaan useita malleja, joita voidaan käyttää suoraan laatikosta ratkaisujen saamiseksi, käyttäjät voivat rakentaa malleja, joita isännöidään pilvessä ja joihin pääsee API-pyynnöllä päättelyä varten. Sinun ei tarvitse huolehtia GCP-ilmentymän tai grafiikkasuoritinten hankkimisesta koulutusta varten.

Huipputason algoritmit

Rakennetut mallit käyttävät huippuluokan algoritmeja, jotta saat parhaat tulokset. Nämä mallit kehittyvät jatkuvasti paremmiksi lisäämällä enemmän ja parempia tietoja ja parempaa tekniikkaa, parempaa arkkitehtuurisuunnittelua ja vankempia hyperparametrien asetuksia.

Kentän louhinta

Suurin haaste laskujen digitointituotteen rakentamisessa on antaa rakenteelle purettu teksti. Tämän helpottaa OCR-sovellusliittymä, joka poimii kaikki tarvittavat kentät arvoilla ja laittaa ne taulukkoon tai JSON-muotoon, jotta voit käyttää niitä ja rakentaa niitä helposti.

Automaatio ajaa

Me Nanonetsissa uskomme, että prosessien automatisointi, kuten laskujen digitointi, voi vaikuttaa massiivisesti organisaatioosi rahallisten etujen, asiakastyytyväisyyden ja työntekijöiden tyytyväisyyden kannalta. Nanonets pyrkii tekemään koneoppimisesta kaikkialla läsnä olevan, ja tätä varten tavoitteemme on edelleen tehdä kaikista ratkaisemistasi liike-elämän ongelmista tavalla, joka vaatii vähäistä inhimillistä valvontaa ja budjetteja tulevaisuudessa.

OCR kanssa Nanonets

- Nanonets-alusta antaa sinun rakentaa OCR-malleja helposti. Voit lähettää tietosi, merkitä ne, asettaa mallin kouluttamaan ja odottamaan ennusteiden saamista selainpohjaisen käyttöliittymän kautta kirjoittamatta yhtä koodiriviä, huolestuttamalla GPU: ista tai etsimällä oikeita arkkitehtuureja syvän oppimisen malleillesi.

Päivitys: Mallimme ovat entistä tarkempia. Olemme lisänneet uusia kenttiä, kuten ostotilausnumeron, sähköpostitunnukset ja taulukon poiminta, parantaaksemme entisestään laskun automaatio työnkulkuja.

Aloita laskujen digitoiminen Nanonets-sovelluksella - 1 Napsauta Digitointi:

Asenna esittely

Asenna esittely oppiaksesi kuinka Nanonets voi auttaa sinua ratkaisemaan tämän ongelman

‌‌

Kirjallisuutta

Päivitys:‌
‌ Lisättiin lisää lukumateriaalia laskujen käsittelyn automatisoinnin eri tavoista OCR: n ja Deep Learningin avulla.

Aikaleima: Huhtikuu 21, 2022

Aikaleima: Elokuu 8, 2022